一种直升机舵机的GFRF模型辨识方法

改进了以多音组合正弦信号为持续激励信号的非线性系统GFRF非参数模型辨识方法。并成功地利用该方法辨识出某型直升机并联电动舵机的GFRF模型．实践表明，改进后的辨识方法辨识精度高且稳定，只需很小的计算量和数据存储空间，是一种有效的非线性系统辨识方法，具有重要的工程实际应用价值．     

一类时延混沌系统的自适应同步

针对一类时延混沌系统参数未知的情况,将自适应技术与系统辨识技术应用于时延混沌系统的同步控制。在系统非线性动态函数的导数满足有界的基本假设条件下,给出了此类系统基于线性函数耦合的阈值条件。利用Lyapunov理论,分析了同步的渐进稳定性,给出并证明了该判定条件的充分性;同时给出系统参数的自适应辨识,使系统参数逐渐逼近真实值,实现具有不同初始点、参数未知的时延混沌系统的同步控制     

基于状态空间模型分解的分数阶系统辨识算法

给出了分数阶线性系统的一种有效辨识算法.该算法可以辨识出系统的模型参数,同时也可以对系统的阶次进行辨识.通过基底变换把分数阶系统的系统矩阵变换成对角阵,这就把原系统的输入、输出关系转化为若干简单的子系统的和,从而降低了辨识问题的复杂性.该算法还能容易地获得系统的输出误差对其模型参数及系统阶次的偏导数,从而可以选择利用梯度的优化算法,如梯度下降法和拟牛顿法等,进行系统辨识.最后给出了实例证明了算法的有效性.     

基于Wiener模型的风力发电系统变桨距控制

风力发电系统具有非线性强和波动性大的特点，如何在风速随机变化的工况下，快速地将风电机组输出功率控制在额定范围内是风电系统控制面临的重大难题。针对5 MW风电机组的变桨距控制问题，提出一种基于Wiener模型的风力发电系统变桨距控制方案。根据Wiener模型线性和非线性环节可分离的特殊结构，通过计算非线性环节的逆，构造具有线性性质的广义风电系统被控对象，将风电系统非线性变桨距控制问题简化为线性模型控制问题。采用独立可分离信号分步辨识风电机组Wiener模型，可以更加精准地预测风电机组输出功率。仿真实例表明：该控制方法有效地提高了变桨距系统的控制效果。     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

非线性系统的模糊辨识在线算法

在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。基于递推模糊聚类方法，提出了一种在线调节模糊模型的辨识算法。为了验证所提出方法的有效性，对几个非线性系统进行了辨识，最后给出了辨识结果。     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰，研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法，利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离，推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数，有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比，提出的方法具有参数估计收敛速度快，辨识精度高，建模误差小等优势，验证了所提学习算法的有效性。     

一类非线性系统盲辨识算法及仿真研究

针对离散非线性系统盲辨识问题,提出了一种基于循环平稳输入的非线性系统盲辨识方法。利用循环平稳输入信号的一阶统计特性和Hammerstein-Wiener模型非线性部分的逆映射,将有输入信号的辨识过程转变为无输入信号的辨识过程。介绍了Hammerstein-Wiener模型的结构及循环平稳输入的统计特性,对盲辨识算法机理进行了阐述。仿真结果表明该方法在解决一类离散非线性系统盲辨识问题上的切实可行性。     

随机干扰下降阶时延混沌系统的自适应广义投影同步

研究随机干扰下降阶时延混沌系统的广义投影同步(RLGPSS).结合自适应控制方法和反馈控制技术,设计控制器和参数自适应更新律,实现混沌系统的RLGPSS问题,同时,对于系统未知参数能够有效的辨识.数值仿真结果证实了所提出控制策略的有效性.     

混沌经济时序非线性动力系统的预测方法研究

混沌经济时序的预测方法研究是混沌经济非线性动力系统的重要内容，提出了一种改进的非线性混沌经济模型，应用模型的阶数由最小嵌入维数决定的观点，给出了相应的模型参数辨识方法，并用其确立的混沌模型进行了预测工作，计算结果表明：模型参数辨识方法能迅速地将参数估计值带到多峰目标函数的全局最小值附近，然后再采用优化理论能较准确地求出模型的参数，用得到的混沌模型对系统进行预测工作，其短期预测效果良好。     

TSK动态网络及其在非线性动态系统中的应用

针对非线性动态系统特点，提出了一种新型的基于TSK模糊模型的动态回归模糊神经网DRFNN（Dynamic recurrent fuzzy neural networks），并给出了网络参教的迭代算法和基于李亚普诺夫稳定理论的收敛性证明。该动态回归网络由静态网络和内反馈动态回归网络组成，在结构上更好的拟合了非线性动态系统特点，应用于非线性动态系统的辨识和控制的试验结果也说明该动态回归模糊神经网络对解决非线性动态系统辨识和控制问题的有效性。     

基于动态小波神经网络的非线性动态系统辨识

一种隐层由小波基组成的神经网络被用来实现非线性系统的输入输出之间的映射关系.为描述系统的动态特性,在网络中引入了自回归连接结构.本文给出了详细的用小波神经网络进行系统辨识的算法和步骤.本文提出了一种FC+GD算法以提高训练神经网络的收敛速度.最后,将所提出的方法用于CSTR模型的辨识,并与RBF和MLP网络相比较.     

IDENTIFICATION FOR WIENER SYSTEMS WITH INTERNAL NOISE*

This paper considers identification of Wiener systems for which the internal variables and output are corrupted by noises. When the internal noise is a sequence of independent and identically distributed （lid） Gaussian random variables, by the Weierstrass transformation （WT） the system under consideration turns to be a Wiener system without internal noise. The nonlinear part of the latter is nothing else than the WT of the nonlinear function of the original system, while the linear subsystem is the same for both systems before and after WT. Under reasonable conditions, the recursive identification algorithms are proposed for the transformed Wiener system, and strong consistency for the estimates is established. By using the inverse WT the nonparametric estimates for the nonlinearity of the original system are derived, and they are strongly consistent if the nonlinearity in the original system is a polynomial, Similar results also hold in the case where the internal noise is non-Gaussian. Simulation results are fully consistent with the theoretical analysis.     

基于T-S模糊模型的模型参考自适应逆控制

针对非线性系统,提出一种基于T-S模糊模型的模型参考自适应逆扰动消除控制方法。所提方法根据模糊辨识理论与模型参考自适应逆控制各自的特点,将两者相结合。首先,根据模糊系统理论,分别采用模糊对角线划分和递推最小二乘算法进行前提和结论参数辨识,离线辨识得到对象模糊模型和逆对象模糊模型。将辨识出的对象逆设为原始控制器,与被控对象串联;为了分离出系统扰动信号,将辨识出的对象模型与被控对象并联,通过被控系统与对象模型输出做比较,再通过逆对象模型反馈到系统输入端,组成扰动消除环节。用最小均方差算法在系统运行过程中在线调节逆对象模糊模型参数,使其输出误差最小。最后,使用所提方法对一混合非线性系统及输入/输出非线性系统进行仿真试验,仿真结果验证了所提方法的有效性。     

Fuzzy Modeling of Non-Uniformly Sampling Nonlinear Systems Based on Clustering Method and Convergence Analysis

The studying motivation of this paper is that there exist many modeling issues of nonuniformly sampling nonlinear systems in industrial systems. Based on multi-model modeling principle,the corresponding model of non-uniformly sampling nonlinear systems is described by the nonlinear weighted combination of some linear models at local working points. Fuzzy modeling based on multimodel scheme is a common method to describe the dynamic process of non-linear systems. In this paper, the fuzzy modeling method of non-uniformly sampling nonlinear systems is studied. The premise structure of the fuzzy model is confirmed by GK fuzzy clustering, and the conclusion parameters of the fuzzy model are estimated by the recursive least squared algorithm. The convergence perfromance of the proposed identification algorithm is given by using lemmas and martingale theorem. Finally, the simulation example is given to demonstrate the effectiveness of the proposed method.     

Cooperative Neuro Adaptive Control of Leader Following Uncertain Multi-Agent Systems with Unknown Hysteresis and Dead-Zone

In this paper, a cooperative adaptive control of leader-following uncertain nonlinear multiagent systems is proposed. The communication network is weighted undirected graph with fixed topology. The uncertain nonlinear model for each agent is a higher-order integrator with unknown nonlinear functions, unknown disturbances and unknown input actuators. Meanwhile, the gains of input actuators are unknown nonlinear functions with unknown sign. Two most common behaviors of input actuators in practical applications are hysteresis and dead-zone. In this paper, backlash-like hysteresis and dead-zone are used to model the input actuators. Using universal approximation theorem proved for neural networks, the unknown nonlinear functions are tackled. The unknown weights of neural networks are derived by proposing appropriate adaptive laws. To cope with modeling errors and disturbances an adaptive robust structure is proposed. Considering Lyapunov synthesis approach not only all the adaptive laws are derived but also it is proved that the closed-loop network is cooperatively semi-globally uniformly ultimately bounded(CSUUB). In order to investigate the effectiveness of the proposed method, it is applied to agents modeled with highly nonlinear mathematical equations and inverted pendulums. Simulation results demonstrate the effectiveness and applicability of the proposed method in dealing with both numerical and practical multi-agent systems.     

Parameter estimation for dual-rate sampled Hammerstein systems with dead-zone nonlinearity

The identification of nonlinear systems with multiple sampled rates is a difficult task.The motivation of our paper is to study the parameter estimation problem of Hammerstein systems with dead-zone characteristics by using the dual-rate sampled data.Firstly,the auxiliary model identification principle is used to estimate the unmeasurable variables,and the recursive estimation algorithm is proposed to identify the parameters of the static nonlinear model with the dead-zone function and the parameters of the dynamic linear system model.Then,the convergence of the proposed identification algorithm is analyzed by using the martingale convergence theorem.It is proved theoretically that the estimated parameters can converge to the real values under the condition of continuous excitation.Finally,the validity of the proposed algorithm is proved by the identification of the dual-rate sampled nonlinear systems.     

两阶段非线性Wiener过程退化建模与可靠性分析

基于性能退化数据对产品进行可靠性分析一直是可靠性工程领域研究的热点与难点。针对多阶段退化过程中存在的非线性规律,同时考虑变点位置位于测试时刻之间的一般情形且各试样变点存在个体差异性的实际情况,提出了基于Wiener过程的两阶段非线性退化模型,给出了模型参数极大似然估计方法,建立了可靠性分析和寿命预测方法。最后通过高压脉冲电容器实例的对比分析,验证了所提方法的合理性与有效性。结果表明,与多阶段线性Wiener过程方法相比,所提方法能够更加准确地描述退化过程的非线性时变特征,进而得到更为合理的寿命评估结果。     

基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。